Si Wu-Tang lo hubiera producido en el 23 en lugar del 93, lo habrían llamado SUEÑO, porque los datos gobiernan todo lo que me rodea. Donde una vez nuestra sociedad negoció el poder en función de la fuerza de nuestros brazos y nuestros bolsillos, el mundo moderno está impulsado por algoritmos de empoderamiento de datos para clasificarnos, aislarnos y vendernos. Estos oráculos de caja negra de toma de decisiones imperiosas e imperceptibles se dignan quién obtiene préstamos hipotecarios, quién obtiene fianza, quién encuentra el amor y quién consigue que el estado les quite a sus hijos.
En su nuevo libro, Cómo ocurrieron los datos: una historia desde la era de la razón hasta la era de los algoritmos, que se basa en su plan de estudios existente, los profesores de la Universidad de Columbia Chris Wiggins y Matthew L Jones examinan cómo los datos se convierten en información procesable y se utilizan para dar forma a todo, desde nuestras opiniones políticas y costumbres sociales hasta nuestras respuestas militares y actividades económicas. En el extracto a continuación, Wiggins y Jones analizan el trabajo del matemático John McCarthy, el profesor junior de Dartmouth que acuñó por sí solo el término «inteligencia artificial»… como parte de su estrategia para asegurar la financiación de la investigación de verano.
ww norton
Extraído de Cómo ocurrieron los datos: una historia desde la era de la razón hasta la era de los algoritmos por Chris Wiggins y Matthew L Jones. Publicado por WW Norton. Copyright © 2023 por Chris Wiggins y Matthew L Jones. Reservados todos los derechos.
Confeccionando “Inteligencia Artificial”
Apasionado defensor de los enfoques simbólicos, al matemático John McCarthy se le suele atribuir la invención del término «inteligencia artificial», incluso por sí mismo: «Inventé el término inteligencia artificial», explicó, «cuando intentábamos conseguir dinero para un verano». estudio” para apuntar a “la meta a largo plazo de lograr la inteligencia a nivel humano”. El «estudio de verano» en cuestión se tituló «El proyecto de investigación de verano de Dartmouth sobre inteligencia artificial», y la financiación solicitada procedía de la Fundación Rockefeller. En ese momento, un profesor junior de matemáticas en Dartmouth, McCarthy fue ayudado en su presentación a Rockefeller por su antiguo mentor Claude Shannon. Como McCarthy describe el posicionamiento del término, «Shannon pensó que inteligencia artificial era un término demasiado llamativo y podría atraer una atención desfavorable». Sin embargo, McCarthy quería evitar la superposición con el campo existente de «estudios de autómatas» (incluidas las «redes nerviosas» y las máquinas de Turing) y tomó posición para declarar un nuevo campo. “Así que decidí no enarbolar más banderas falsas”. La ambición era enorme; la propuesta de 1955 afirmaba que “cada aspecto del aprendizaje o cualquier otra característica de la inteligencia puede, en principio, describirse con tanta precisión que se puede hacer una máquina para simularlo”. McCarthy terminó con más modeladores cerebrales que matemáticos axiomáticos del tipo que quería en la reunión de 1956, que llegó a conocerse como el Taller de Dartmouth. El evento vio la unión de diversos esfuerzos, a menudo contradictorios, para hacer que las computadoras digitales realicen tareas consideradas inteligentes, sin embargo, como argumenta el historiador de inteligencia artificial Jonnie Penn, la ausencia de experiencia psicológica en el taller significó que la descripción de la inteligencia fue «informada principalmente por un conjunto de especialistas que trabajan fuera de las ciencias humanas”. Cada participante vio las raíces de su empresa de manera diferente. McCarthy recordó, «cualquiera de los que estaban allí era bastante obstinado en seguir las ideas que tenía antes de venir, y hasta donde pude ver, no hubo ningún intercambio real de ideas».
Al igual que el artículo de Turing de 1950, la propuesta de 1955 para un taller de verano sobre inteligencia artificial parece increíblemente profética en retrospectiva. Los siete problemas que McCarthy, Shannon y sus colaboradores se propusieron estudiar se convirtieron en los principales pilares de la informática y el campo de la inteligencia artificial:
-
“Computadoras automáticas” (lenguajes de programación)
-
“¿Cómo se puede programar una computadora para usar un idioma?” (procesamiento del lenguaje natural)
-
“Neuron Nets” (redes neuronales y aprendizaje profundo)
-
“Teoría del Tamaño de un Cálculo” (complejidad computacional)
-
“Superación personal” (aprendizaje automático)
-
«Abstracciones» (ingeniería de características)
-
“Aleatoriedad y Creatividad” (métodos Monte Carlo incluyendo aprendizaje estocástico).
El término «inteligencia artificial», en 1955, era una aspiración más que un compromiso con un método. La IA, en este sentido amplio, involucró tanto el descubrimiento de lo que comprende la inteligencia humana al intentar crear inteligencia artificial como un esfuerzo menos cargado filosóficamente simplemente para hacer que las computadoras realicen actividades difíciles que un humano podría intentar.
Solo algunas de estas aspiraciones impulsaron los esfuerzos que, en el uso actual, se convirtieron en sinónimo de inteligencia artificial: la idea de que las máquinas pueden aprender de los datos. Entre los científicos informáticos, el aprendizaje a partir de datos sería menospreciado durante generaciones.
La mayor parte del primer medio siglo de la inteligencia artificial se centró en combinar la lógica con el conocimiento codificado en las máquinas. Los datos recopilados de las actividades cotidianas no eran el centro de atención; palidecía en prestigio al lado de la lógica. En los últimos cinco años, inteligencia artificial y aprendizaje automático han comenzado a usarse como sinónimos; es un poderoso ejercicio de pensamiento para recordar que no tenía por qué ser así. Durante las primeras décadas en la vida de la inteligencia artificial, aprender de los datos parecía ser el enfoque equivocado, un enfoque no científico, utilizado por aquellos que no estaban dispuestos a «simplemente programar» el conocimiento en la computadora. Antes de que reinaran los datos, lo hacían las reglas.
A pesar de todo su entusiasmo, la mayoría de los participantes en el taller de Dartmouth trajeron consigo pocos resultados concretos. Un grupo era diferente. Un equipo de la Corporación RAND, dirigido por Herbert Simon, había traído los productos en forma de probador automático de teoremas. Este algoritmo podría producir pruebas de teoremas aritméticos y lógicos básicos. Pero las matemáticas eran solo un caso de prueba para ellos. Como ha subrayado el historiador Hunter Heyck, ese grupo empezó menos con la informática o las matemáticas que con el estudio de cómo comprender las grandes organizaciones burocráticas y la psicología de las personas que resuelven problemas dentro de ellas. Para Simon y Newell, los cerebros humanos y las computadoras eran solucionadores de problemas del mismo género.
Nuestra posición es que la forma apropiada de describir una parte de la conducta de resolución de problemas es en términos de un programa: una especificación de lo que el organismo hará bajo diversas circunstancias ambientales en términos de ciertos procesos elementales de información que es capaz de realizar. Las computadoras digitales entran en escena solo porque pueden, mediante una programación adecuada, ser inducidas a ejecutar las mismas secuencias de procesos de información que los humanos ejecutan cuando están resolviendo problemas. Por lo tanto, como veremos, estos programas describen la resolución de problemas tanto humanos como mecánicos al nivel de los procesos de información.
Aunque proporcionaron muchos de los primeros éxitos importantes en la inteligencia artificial temprana, Simon y Newell se centraron en una investigación práctica de la organización de los humanos. Estaban interesados en la resolución de problemas humanos que mezclaban lo que Jonnie Penn llama un “compuesto de la lógica simbólica británica de principios del siglo XX y la lógica administrativa estadounidense de una organización hiperracionalizada”. Antes de adoptar el apodo de IA, posicionaron su trabajo como el estudio de «sistemas de procesamiento de información» que incluían humanos y máquinas por igual, que se basaban en la mejor comprensión del razonamiento humano de la época.
Simon y sus colaboradores estaban profundamente involucrados en los debates sobre la naturaleza de los seres humanos como animales racionales. Simon recibió más tarde el Premio Nobel de Economía por su trabajo sobre las limitaciones de la racionalidad humana. Le preocupaba, junto con un grupo de intelectuales de la posguerra, refutar la noción de que la psicología humana debería entenderse como una reacción animal a los estímulos positivos y negativos. Como otros, rechazó una visión conductista del ser humano como impulsado por reflejos, casi automáticamente, y que el aprendizaje se refería principalmente a la acumulación de hechos adquiridos a través de dicha experiencia. Las grandes capacidades humanas, como hablar un lenguaje natural o hacer matemáticas avanzadas, nunca podrían surgir solo de la experiencia; requerían mucho más. Centrarse solo en los datos era malinterpretar la espontaneidad y la inteligencia humanas. Esta generación de intelectuales, central para el desarrollo de la ciencia cognitiva, enfatizó la abstracción y la creatividad sobre el análisis de datos, sensoriales o de otro tipo. El historiador Jamie Cohen-Cole explica: “El aprendizaje no era tanto un proceso de adquisición de datos sobre el mundo como el desarrollo de una habilidad o la adquisición de competencia con una herramienta conceptual que luego podía implementarse creativamente”. Este énfasis en lo conceptual fue fundamental para el programa Teórico Lógico de Simon y Newell, que no solo atravesó procesos lógicos, sino que desplegó «heurísticas» similares a las humanas para acelerar la búsqueda de los medios para lograr los fines. Académicos como George Pólya que investigan cómo los matemáticos resuelven problemas han enfatizado la creatividad involucrada en el uso de la heurística para resolver problemas matemáticos. Por lo tanto, las matemáticas no eran un trabajo pesado, no era como hacer montones y montones de divisiones largas o reducir grandes cantidades de datos. Era una actividad creativa y, a los ojos de sus creadores, un baluarte contra las visiones totalitarias de los seres humanos, ya sea de izquierda o de derecha. (Y también lo era la vida en una organización burocrática; no tiene por qué ser laborioso en esta imagen; podría ser un lugar para la creatividad. Simplemente no se lo diga a sus empleados).
Todos los productos recomendados por Engadget son seleccionados por nuestro equipo editorial, independiente de nuestra empresa matriz. Algunas de nuestras historias incluyen enlaces de afiliados. Si compra algo a través de uno de estos enlaces, podemos ganar una comisión de afiliado. Todos los precios son correctos en el momento de la publicación.